此存储库中的软件 COVISE和OpenCOVER 协同可视化和仿真环境是一个模块化的分布式可视化系统。 由于它专注于虚拟环境中科学数据的可视化，因此它包括VR渲染器 。 COVISE发展为首 。 它可移植到Windows和UNIX。 我们在x86_64 Windows，Linux和macOS上进行常规构建。 其他软件 该存储库中还包括 （OpenDRIVE编辑器）以及vrmlExp（用于Autodesk 3ds Max的VRML97和X3D导出器）。 执照 除非另有说明，否则此存储库中的源代码已根据LGPL v2.1许可。 有关详细信息，请参见lgpl-2.1.txt 。 支持和邮件列表

连通的人体空气质量接口 用于ConnectedHumber空气质量监测项目的Web界面和JSON API。 该项目包含ConnectedHumber传感器系统的Web界面。 尽管它被称为“空气质量网” ，但它的设计目的是显示任何种类的传感器数据，而不仅仅是空气质量传感器的读数。 它由两部分组成： 由MariaDB服务器支持的基于PHP的JSON API服务器（入口点：api.php） 在浏览器中运行的Javascript客户端应用程序 客户端浏览器应用程序由提供支持。 请注意，该项目不负责将数据输入数据库。 该项目的目的仅仅是显示数据。 文献资料 文档已移动！ 您可以在这里查看： 分行 master 默认分支 应该永远稳定 dev 开发部门 可能并不总是稳定的。 笔记 每6分钟读取一次作为标准。 贡献 欢迎捐款-随时或（甚至更好）。 是保存与项目有关的所有任务的地方。 请

High Performance Visualization: Enabling Extreme-Scale Scientific Insight 简介部分中文翻译

西门子资料，在TIA PROTAL中使用SIVARC,包括SIVARC的安装及元素和基本设置，还有其的使用方法

Data Visualization A Practical Introduction Data Visualization A Practical Introduction

使用此文件替换pcl1.9.1安装目录/bin/下的对应文件，然后重新编译程序即可。注意将文件名后面的_no_warning删除

CNN可视化工具：用于深度卷积神经网络中的单元可视化的工具包 介绍 该存储库包含用于可视化深CNN内的单元（或称为神经元或卷积过滤器）的代码和结果。 一些代码已用于深度场景CNN中出现的物体检测器》。 您可以将此工具包与天真的一起使用，并可以将其编译为matcaffe和pycaffe或 。 该工具包包含以下功能： （新！）PyTorch脚本： pytorch_extract_feature.py ：用于为任何给定图像在CNN模型的选定层提取CNN特征的代码。 pytorch_generate_unitsegments.py ：用于生成所选层上所有单元的可视化的代码。 Matlab脚本： extract_features.m ：用于为任何给定图像提取所选层上的CNN激活的代码。 generate_unitsegments.m ：用于生成选定层中所有单元的可视化的代码。 unit

数据可视化与分析 我花时间用R编程进行探索性数据分析。 这些问答教程在#Kaggle上使用了儿童自闭症数据

大屏数据可视化 重要声明 本项目所有案例采用的数据均属虚构，切勿当真！ 项目案例-上市公司全景概览 综合使用条形图，柱状图，折线图，饼图，地图，数字翻牌器来实现一个常规的大屏数据可视化项目。 项目案例-上市公司地域分布 以百度地图为底图，结合ECharts替换地理信息数据 旭日图-基于ECharts V4.2 旭日图（Sunburst）是ECharts 4.0添加的图表类型，由多层的环形图组成，在数据结构上，内圈是外圈的父节点。因此，它既能像饼图一样表现局部和整体的占比，又能像矩形树图一样表现层级关系。 树图-基于ECharts V4.2 树图是一种流行的利用包含关系表达层次化数据的可视化方法

情感分类 情感分类是情感分类的项目。（以Yelp审查为输入） 资料资源 什么是新的 3.1 探索其他数字特征（而不是仅文本） 利用“有用”信息（由yelp提供的属性）进行weighted samples实验 使用“均值”处理缺失值 2.4 伯特转移学习 建立和调整bert模型。 可视化数据分配 2.3 改变表达句子向量的方式 建立和调整LSTM模型。 2.2 建立和调整LinearSVC模型。 建立和调整BernoulliNB模型。 建立和调整MLPClassifier模型。 建立和调整LogisticRegression模型。 建立和调整DecisionTree模型。 2.1 使用W2F创建情感分类 训练word representation模型 使用TSNE和PCA探索单词表示 1.1 使用tf-idf创建情感分类 建立和调整LinearSVC模型。 建立和调